Coursera

Introdução

Leia a Descrição Oficial

Nossa Missão

Coursera é uma plataforma de educação que tem parceria com as melhores universidades e organizações em todo o mundo, para oferecer cursos on-line para que todos possam tirar, gratuitamente.

Nós prevemos um futuro onde todos tenham acesso a uma educação de classe mundial. Nosso objetivo é capacitar as pessoas com educação que irão melhorar as suas vidas, as vidas de suas famílias e as comunidades em que vivem.

Como Funciona

Descubra um curso e inscreva-se hoje

Escolha a partir de mais de 400 cursos criados pelas principais instituições de ensino do mundo.

Saiba em sua própria programação

Assista aulas em vídeo curtos, fazer testes interativos, avaliações de pares classificados completos, e se conectar com colegas e professores.

Atingir seus objetivos

Termine a sua classe e receber reconhecimento por sua realização.

Nossa abordagem

A experiência Coursera

É simples. Queremos ajudar os alunos a aprender melhor - e mais rápido. É por isso que nós projetamos nossa plataforma baseada em métodos comprovados de ensino verificada por pesquisadores de ponta. Aqui estão quatro ideias-chave que eram influentes na formação da nossa visão:

Eficácia de aprendizagem on-line

Aprendizagem on-line desempenha um papel significativo na educação ao longo da vida. Na verdade, um relatório recente do Departamento de Educação dos EUA constatou que "as classes com a aprendizagem on-line (se ensinado completamente on-line ou blended), em média produzir resultados mais fortes do aprendizado dos alunos que fazem aulas com o único cara-a-cara instrução."

Aprendizagem Mastery

Com base em uma abordagem desenvolvida pelo psicólogo educacional Benjamin Bloom, Domínio da Aprendizagem ajuda os alunos a compreender plenamente um tópico antes de passar para um tópico mais avançado. No Coursera, que normalmente dão feedback imediato sobre um conceito de um aluno não entendeu. Em muitos casos, nós fornecemos versões randomizados da atribuição para que um aluno pode re-estudo e re-tentar a lição de casa.

Avaliação pelos pares

Em muitos cursos, as tarefas mais significativas não podem ser facilmente classificada por um computador. É por isso que usamos as avaliações de pares, onde os alunos podem avaliar e fornecer feedback sobre o trabalho um do outro. Esta técnica tem sido demonstrado em muitos estudos para resultar em feedback preciso para o aluno e uma valiosa experiência de aprendizagem para o aluno.

Blended learning

Muitas de nossas instituições parceiras estão usando nossa plataforma on-line para proporcionar aos seus estudantes no campus com uma melhor experiência de aprendizagem. Este modelo combinado de aprendizagem tem demonstrado em estudos para aumentar o envolvimento dos alunos, assiduidade e desempenho.

Essa escola oferece programas em:
  • Inglês

Ver cursos »

Programas

Esta escola também oferece:

Cursos

Curso De Aprendizagem De Máquina (intermediário)

Online Meio Período Inscrições abertas EUA EUA online

Esta especialização fornece uma introdução baseada no caso do empolgante campo, a demanda alta de aprendizagem de máquina. Você vai aprender a analisar conjuntos de dados grandes e complexos, construir aplicações que podem fazer previsões a partir de dados, e criar sistemas que se adaptam e melhorar ao longo do tempo. [+]

Esta especialização fornece uma introdução baseada no caso do empolgante campo, a demanda alta de aprendizagem de máquina. Você vai aprender a analisar conjuntos de dados grandes e complexos, construir aplicações que podem fazer previsões a partir de dados, e criar sistemas que se adaptam e melhorar ao longo do tempo. No final do projeto Capstone, você vai aplicar suas habilidades para resolver um problema original, do mundo real através da implementação de algoritmos de aprendizado de máquina. Cursos Fundações de aprendizado de máquina: um caso de estudo Você tem os dados e saber o que posso dizer? Você precisa de uma compreensão mais profunda das maneiras fundamentais em que a aprendizagem máquina pode melhorar o seu negócio? Você quer ser capaz de conversar com especialistas sobre qualquer coisa, de regressão e classificação de sistemas de aprendizagem e de recomendação profundas? Neste curso, você irá obter experiência prática com a aprendizagem de máquina a partir de uma série de estudos de casos práticos. No final do primeiro curso você vai ter estudado como prever preços de casas com base em recursos de nível casa, analisar o sentimento de comentários de usuários, recuperar documentos de interesse, recomendar produtos, e procurar por imagens. Através de exercícios práticos com esses casos de uso, você será capaz de aplicar métodos de aprendizado de máquina em uma ampla gama de domínios. Este primeiro curso trata o método de aprendizado de máquina como uma caixa preta. Usando essa abstração, você vai se concentrar em entender as tarefas de interesse, combinando estas tarefas para ferramentas de aprendizado de máquina, e avaliar a qualidade da saída. Nos cursos subseqüentes, você vai aprofundar os componentes desta caixa preta, examinando modelos e algoritmos. Juntas, essas peças formam o pipeline de aprendizagem de máquina, que você irá usar no desenvolvimento de aplicações inteligentes. Resultados de Aprendizagem: No final deste curso, você será capaz de: - Identificar potenciais aplicações de aprendizagem de máquina na prática. - Descrever as diferenças fundamentais em análises ativado por regressão, classificação e agrupamento. - Selecione a tarefa de aprendizagem de máquina apropriada para uma aplicação potencial. - Aplicar de regressão, classificação, clustering, recuperação, sistemas de recomendação e aprendizagem profunda. - Representar os seus dados como recursos para servir como entrada para modelos de aprendizagem de máquina. - Avaliar a qualidade do modelo em termos de métricas de erros relevantes para cada tarefa. - Utilize um conjunto de dados para ajustar um modelo para analisar novos dados. - Construir uma aplicação end-to-end que usa a aprendizagem de máquina em seu núcleo. - Implementar estas técnicas em Python. Machine Learning: Regressão Estudo de Caso - Prevendo preços da habitação em nosso primeiro estudo de caso, a previsão de preços das casas, você irá criar modelos que prevêem um valor contínua (preço) a partir de recursos de entrada (metragem quadrada, número de quartos e banheiros, ...). Este é apenas um dos muitos lugares onde regressão podem ser aplicadas. Outras aplicações variam de previsão de resultados de saúde em medicina, os preços das ações em finanças e consumo de energia em computação de alto desempenho, para analisar quais os reguladores são importantes para a expressão do gene. Neste curso, você irá explorar modelos de regressão linear regularizados para a tarefa de previsão e seleção de recursos. Você será capaz de lidar com grandes conjuntos de recursos e escolha entre modelos de várias complexidade. Você também vai analisar o impacto dos aspectos de seus dados - tais como valores extremos - em seus modelos e previsões selecionados. Para ajustar esses modelos, você irá implementar algoritmos de otimização que escala a grandes conjuntos de dados. Resultados de Aprendizagem: No final deste curso, você será capaz de: - Descrever a entrada e saída de um modelo de regressão. - Comparar e contrastar viés e variância na modelagem de dados. - Parâmetros do modelo Estimativa usando algoritmos de otimização. - Parâmetros de sintonia com a validação cruzada. - Analisar o desempenho do modelo. - Descrever a noção de dispersão e como leva a soluções esparsas LASSO. - Implantar métodos para selecionar entre os modelos. - Explorar o modelo para formar previsões. - Construir um modelo de regressão para prever os preços usando um conjunto de dados de habitação. - Implementar estas técnicas em Python. Machine Learning: Classificação Estudos de Caso: Analisando Sentiment & Loan previsão de inadimplência Em nosso estudo de caso na análise de sentimento, você irá criar modelos que prevêem uma classe (sentimento positivo / negativo) de recursos de entrada (texto dos comentários, informações de perfil de usuário, ...). Em nosso segundo estudo de caso para este curso, a previsão empréstimo padrão, você vai lidar com dados financeiros e prever quando um empréstimo é susceptível de ser arriscado ou seguro para o banco. Estas tarefas são um exemplos de classificação, uma das áreas mais utilizadas de aprendizado de máquina, com uma ampla gama de aplicações, incluindo segmentação de anúncios, detecção de spam, diagnóstico médico e classificação de imagens. Neste curso, você irá criar classificadores que fornecem desempenho state-of-the-art em uma variedade de tarefas. Você vai se familiarizar com as técnicas mais bem sucedidas, que são mais amplamente utilizadas na prática, incluindo regressão logística, árvores de decisão e aumentar. Além disso, você será capaz de conceber e implementar os algoritmos subjacentes que podem aprender esses modelos em escala, usando subida gradiente estocástico. Você vai implementar estas técnica on-mundo real, tarefas de aprendizagem de máquina de grande escala. Você também vai abordar as tarefas importantes que você irá enfrentar em aplicações do mundo real de ML, incluindo manipulação de dados em falta e medição de precisão e recordar para avaliar um classificador. Este curso é hands-on, cheio de ação, e cheio de visualizações e ilustrações de como essas técnicas irão se comportar em dados reais. Também incluímos conteúdo opcional em cada módulo, cobrindo tópicos avançados para aqueles que querem ir ainda mais fundo! Objectivos de aprendizagem: No final deste curso, você será capaz de: - Descrever a entrada e saída de um modelo de classificação. - Combater os dois problemas de classificação binários e multiclasse. - Implementar um modelo de regressão logística para a classificação em grande escala. - Criar um modelo não-linear usando árvores de decisão. - Melhorar o desempenho de qualquer modelo usando impulsionar. - Escala seus métodos com gradiente ascendente estocástica. - Descrever os limites de decisão subjacentes. - Construir um modelo de classificação de prever o sentimento em uma revisão do produto conjunto de dados. - Analisar dados financeiros para prever padrões de empréstimo. - Utilizar técnicas de manuseamento de dados em falta. - Avaliar os seus modelos usando métricas de precisão de recall. - Implementar estas técnicas em Python (ou na língua de sua escolha, embora Python é altamente recomendado). Machine Learning: Clustering & Retrieval Estudos de Caso: encontrar documentos semelhantes Um leitor está interessado em um artigo de notícias específico e que deseja encontrar artigos semelhantes para recomendar. O que é a noção de direito de semelhança? Além disso, o que se há milhões de outros documentos? Cada vez que você quiser a recuperar um novo documento, você precisa pesquisar todos os outros documentos? Como você agrupar documentos semelhantes juntos? Como você descobrir temas novos e emergentes que os documentos cobrem? Neste terceiro estudo de caso, encontrar documentos semelhantes, você vai examinar algoritmos baseados em similaridade na recuperação. Neste curso, você também vai examinar representações estruturadas para descrever os documentos no corpus, incluindo clustering e modelos de associação mista, como a alocação de Dirichlet latente (LDA). Você irá implementar maximização expectativa (EM) para aprender os agrupamentos de documentos, e veja como dimensionar os métodos usando MapReduce. Resultados de Aprendizagem: No final deste curso, você será capaz de: - Criar um sistema de recuperação de documentos usando k-vizinhos mais próximos. - Identificar várias métricas de similaridade de dados de texto. - Reduzir cálculos em busca k-vizinhos mais próximos, utilizando KD-árvores. - Produzir vizinhos mais próximos aproximados usando localidade hashing sensível. - Comparar e contrastar tarefas de aprendizagem supervisionadas e não supervisionadas. - Documentos Cluster por tópico usando k-médias. - Descrever como paralelizar k-médias usando MapReduce. - Examinar as abordagens de agrupamento probabilísticas usando modelos de misturas. - Montar uma mistura de modelo de Gaussian usando expectativa de maximização (EM). - Executar a modelagem associação mista usando alocação de Dirichlet latente (LDA). - Descrever as etapas de um amostrador de Gibbs e como usar sua saída para fazer inferências. - Compare e técnicas de inicialização contraste para os objetivos de otimização não-convexas. - Implementar estas técnicas em Python. Aprendizado de Máquina: Sistemas de Recomendação e dimensionalidade Redução Estudo de caso: Recomendando produtos Como o Amazon recomendar produtos que você pode estar interessado em comprar? Como a Netflix decidir quais filmes ou programas de TV que você pode querer assistir? E se você for um novo usuário, deve Netflix apenas recomendar os filmes mais populares? Quem você pode formar um novo vínculo com no Facebook ou LinkedIn? Estas perguntas são endêmicas para a maioria das indústrias baseadas em serviços, e estão na base da noção de filtragem colaborativa e os sistemas de recomendação implantados para resolver estes problemas. Nesta quarta estudo de caso, você irá explorar estas ideias no contexto da recomendação de produtos com base em comentários de clientes. Neste curso, você irá explorar técnicas de redução de dimensionalidade para a modelagem de dados de alta-dimensional. No caso de sistemas de recomendação, os dados são representados como relações-produtos do usuário, com potencialmente milhões de usuários e centenas de milhares de produtos. Você irá implementar fatoração da matriz e modelos de fatores latentes para a tarefa de prever novas relações com o produto do usuário. Você também vai usar as informações lado sobre os produtos e os usuários para melhorar as previsões. Resultados de Aprendizagem: No final deste curso, você será capaz de: - Criar um sistema de filtragem colaborativa. - Reduzir dimensionalidade dos dados utilizando SVD, PCA, e as projeções aleatórios. - Executar fatoração da matriz, utilizando coordenadas descida. - Implantar modelos de fatores latentes como um sistema de recomendação. - Lidar com o problema de partida a frio usando informações lado. - Análise de um pedido de recomendação de produtos. - Implementar estas técnicas em Python. Machine Learning Capstone: uma aplicação inteligente com aprendizagem profunda Alguma vez você já se perguntou como um recommender produto é construído? Como você pode inferir o sentimento subjacente a partir de comentários? Como você pode extrair informações de imagens para encontrar produtos visualmente semelhantes para recomendar? Como você constrói um aplicativo que faz todas essas coisas em tempo real, e proporciona uma experiência de usuário front-end? Isso é o que você vai construir neste curso! Usando o que você aprendeu sobre a aprendizagem de máquina, até agora, você vai construir um sistema de recomendação geral dos produtos que faz muito mais do que apenas encontrar produtos semelhantes Você vai combinar imagens de produtos com descrições de produtos e seus comentários para criar uma aplicação inteligente verdadeiramente inovador. Você provavelmente já ouviu que o Deep aprendizagem é fazer notícias em todo o mundo como uma das técnicas mais promissoras na aprendizagem de máquina, especialmente para analisar dados de imagem. Com toda a indústria a dedicar recursos para desbloquear o potencial de aprendizagem de profundidade, para ser competitivo, você vai querer usar esses modelos em tarefas tais como marcação de imagem, reconhecimento de objetos, reconhecimento de voz e análise de texto. Neste pedra angular, você vai construir modelos de aprendizagem profundas usando redes neurais, explorar o que são, o que fazem, e como. Para remover a barreira introduzida pela concepção, formação e as redes de ajuste, e para ser capaz de alcançar um alto desempenho com os dados menos marcadas, você também vai construir classificadores de aprendizagem profundas sob medida para sua tarefa específica, utilizando modelos pré-treinados, que chamamos características profundas . Como uma peça central deste projeto de capeamento, você irá implementar um modelo de aprendizagem profunda para recomendação de produto baseada em imagem. Você vai então combinar este modelo visual com descrições de texto de produtos e informações de comentários para construir uma aplicação emocionante, end-to-end inteligente que proporciona uma experiência de descoberta novo produto. Você vai então implantá-lo como um serviço, que você pode compartilhar com seus amigos e potenciais empregadores. Resultados de Aprendizagem: No final desta pedra angular, você será capaz de: - Explore um conjunto de dados de produtos, comentários e imagens. - Construir um recommender produto. - Descrever como um modelo de rede neural é representado e como ele codifica características não-lineares. - Combinar diferentes tipos de camadas e funções de ativação para obter um melhor desempenho. - Use pré-treinado modelos, tais como características profundas, para novas tarefas de classificação. - Descreva como esses modelos podem ser aplicadas em visão computacional, análise de texto e reconhecimento de fala. - Use recursos visuais para encontrar os produtos os usuários querem. - Incorporar avaliação sentimento na recomendação. - Construir uma aplicação end-to-end. - Implantar-lo como um serviço. - Implementar estas técnicas em Python. [-]

Contate
Endereço
USA Online, US